Descubriendo estrategias cognitivas con pequeñas redes neuronales recurrentes

Área de la Ciencia:

• La neurociencia cognitiva
• Psicología computacional
• Inteligencia artificial

Sus antecedentes:

• Comprender la toma de decisiones es clave en la neurociencia y la psicología.
• Los modelos existentes como la inferencia bayesiana y el aprendizaje por refuerzo tienen limitaciones para capturar el comportamiento realista.
• Los métodos actuales a menudo requieren ajustes subjetivos.

Objetivo del estudio:

• Desarrollar un nuevo enfoque de modelado utilizando redes neuronales recurrentes (RNN) para descubrir algoritmos cognitivos en la toma de decisiones.
• Comparar el rendimiento de las RNN con los modelos cognitivos clásicos.
• Proporcionar información interpretable sobre los mecanismos de toma de decisiones biológicas.

Principales métodos:

• Utilizó redes neuronales recurrentes con un pequeño número de unidades (1-4) para modelar el aprendizaje y la toma de decisiones.
• Se han formado redes en seis tareas de aprendizaje basadas en recompensas que incluyen datos de animales y humanos.
• Interpretación de redes entrenadas utilizando conceptos de sistemas dinámicos para el entendimiento mecanicista.

Principales resultados:

• Las RNN pequeñas superaron a los modelos cognitivos clásicos en la predicción de elecciones individuales en tareas.
• El rendimiento de RNN coincidía con el de las redes neuronales más grandes.
• El enfoque reveló estrategias cognitivas interpretables y dimensionalidad conductual estimada.

Conclusiones:

• Las redes neuronales recurrentes ofrecen un método poderoso e interpretable para descubrir algoritmos cognitivos en la toma de decisiones.
• Este enfoque proporciona un marco unificado para comparar modelos cognitivos y comprender los mecanismos neuronales.
• Establece una base para el estudio de la cognición sana y disfuncional.